随着全国各地区之间的联系不断增强,旅客和物资的流动越来越频繁。安检技术在保障交通运输安全方面尤显重要。现有安检技术对严重威胁人身和财产安全的危险品—易燃液体的筛查效率却不甚乐观,并且存在成本较高和检测时发出有害射线的缺陷,在进一步推广的过程中存在较多障碍。通过对不同频段下液体分子行为的分析,选用超宽带厘米波作为新的易燃液体安检手段。创新性的使用深度学习技术对多种易燃液体的超宽带厘米波透射信号进行分类。通过自建的数据集,完成了算法的训练和验证。并针对嵌入式设备的特点对算法进行了运行效率上的优化。全文主要研究的内容和创新点可概括为数据收集、算法设计和算法移植三部分,详细如下:1)使用波束聚焦系统搜集了三种安检常见液体在8GHz-18GHz范围内的超宽带厘米波透射信号,并建立了数据集便于算法评估和测试。通过数据清洗、静噪和填充等操作后发现数据集中的数据存在信息量分布不均和数据量偏少两种缺陷。2)针对数据集的两点缺陷,提出了双层特征分类算法。主要内容是通过多尺度窗分割将信号的特征分解为深浅两个层次。浅层特征提取器用于从单个窗内提取浅层特征。通过实验证明添加分类约束的自编码器对浅层特征的提取效果最佳。深层特征提取器用于对所有窗的浅层特征组成的特征序列进行特征提取和分类,经过对比和实验选取长短时记忆神经网络(LSTM)完成这部分工作。双层特征分类算法结构简单,采用了合理的措施缓解了过拟合,分类性能良好。3)Roof-line模型评估了双层特征分类算法的运行效率,推算了算法在不同硬件平台中的推理速度。根据推算结果和设备成本,选择了树莓派作为移植目标设备。算法移植使用Tensorflow读取Pytorch模型权重实现。针对双层特征分类算法在树莓派中运算速度的偏低的问题,测试了四种优化方式。其中替换底层运算库和并行计算两种优化方式效果良好,而更改卷积核尺寸和将卷积层替换为可分离卷积层的优化效果不好。本文实现并移植了针对超宽带厘米波信号的双层特征分类算法,其三分类精度可达84.37%,在树莓派中的推理时间不足0.3秒。对液体危险品安检领域提出了新的识别思路。